介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

Nov, 2015

本研究介绍了一种新颖方法，通过结合空间和频谱表示来增强领域通用医学图像分割的能力，并引入了创新的谱相关系数目标函数来提高模型对中阶特征和上下文长距离依赖关系的捕捉能力。大量实验证明，优化该目标函数能显著提高 UNet 和 TransUNet 等现有架构的泛化能力、解释能力和噪声鲁棒性，生成更可信的预测结果。

Jan, 2024

本文针对通过空间滤波器解决高光谱分类问题，提出了一种使用数据驱动方法找到滤波器的有效集合的方法，并在四个高光谱图像分类问题上实现了良好的分类性能。

Jun, 2016

应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

Mar, 2024

通过基于传统光谱分割方法，将图像分解为由自我监督网络的特征亲和矩阵的拉普拉斯特征向量，以对场景中的对象进行定位和义分割的无监督方法，在 Pascal VOC，MS-COCO 等复杂数据集上取得了显著的定位和分割优势。

May, 2022

该论文主要介绍了如何通过统计学习等方法，解决高光谱图像在分类方面所面临的信号处理问题，包括空间同质性、半监督学习中的曲面结构，不变性提取与编码等技术，同时给出了实例展示如何进行遥感图像分类。

Oct, 2013

本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

Feb, 2018

本文提出了一种新型的基于深度学习的高光谱图像目标检测算法，该算法通过充分利用高光谱图像中的光谱和空间信息的相互作用，使得在现有数据集上可实现更准确和可靠的结果。

Jun, 2023

本文提出了一种高效的算法，以一种高效、紧凑的方式从候选项中发现输入特征或分类器的稀疏表示，用于大规模识别，并在训练速度和性能方面显着优于传统方法和强大的分类器，特别是在有限的训练数据的情况下。

Nov, 2014

本文对基于深度学习的医学和非医学图像分割解决方案进行归类，并从六个主要类别 —— 深度架构、数据合成、损失函数、顺序模型、弱监督和多任务方法对其进行综合性评估。进一步地，对于每一组，我们分析了这些组合的每一个变种，并讨论了当前方法的局限性和未来研究方向。

Oct, 2019